Detaillierte Informationen zum Seminar
Inhalte:
Was ist MLOps – und warum ist es notwendig?
- Herausforderungen im produktiven ML-Betrieb
- Typische Fehlerquellen und Lösungen
Projektstruktur und Versionierung
- Daten, Code, Parameter und Modelle nachvollziehbar organisieren
Modell-Tracking mit MLflow
- Experimente dokumentieren
- Ergebnisse vergleichen
- Modelle registrieren
Automatisierung im Trainingsprozess
- Wiederholbare Abläufe mit einfachen Skripten oder CI-Tools
Monitoring und Nachvollziehbarkeit
- Modellqualität beobachten
- Drifts erkennen
- Retraining vorbereiten
Modellbereitstellung im Unternehmenskontext
- Deployment-Varianten
- Modell als API
- Zusammenarbeit mit DevOps-Teams
Dauer/zeitlicher Ablauf:
2 Tage
Ziele/Bildungsabschluss:
Siehe Beschreibung und Inhalt.
Teilnahmevoraussetzungen:
Erfahrung mit Python und ML-Workflows. Grundkenntnisse im Umgang mit ML-Frameworks (z. B. Scikit-Learn, TensorFlow oder PyTorch) und gängige DevOps-Tools (Git, Bash) sind hilfreich.
Material:
Im Preis enthalten sind PC-COLLEGE - Zertifikat, Pausenverpflegung, Getränke und Kursmaterial.
Förderung:
Bildungsscheck, andere auf Anfrage
Zielgruppe:
Technisch versierte ML-Teams, Entwickler und Data Scientists, die Machine Learning sicher, wartbar und skaliert in Unternehmensprozesse überführen möchten.
Seminarkennung:
PYO260511-D
